Los incendios forestales se han convertido en un problema ambiental de gran relevancia y gravedad en las últimas décadas; se presenta a nivel mundial sobre todo en los países con grandes extensiones de áreas forestales (Sabuco, 2013) como es el caso del Perú (FAO, 2004). El impacto de los incendios reduce la tasa de crecimiento de los bosques, genera muerte y migración de la fauna silvestre, pérdida de la biodiversidad, trasformación de los suelos e incremento de la erosión, contaminación del aire, reducción de servicios de regulación hídrica del ecosistema, mayor incidencia en derrumbes e inundaciones, incluso la aparición de plagas y enfermedades en los bosques debilitados por dichos incendios. (MINAM, 2019) En este análisis se evaluará la estacionalidad de las variables bioclimáticas que favorecen a la ocurrencia de incendios.
En los últimos años los incendios han impactado severamente varias regiones del Perú, como Cusco, Lambayeque, Piura y Cajamarca (INDECI, 2013; El Comercio, 2018), siendo muy perjudicial para un Perú que no está en condiciones de afrontar este tipo de emergencias al no tener una unidad especializada de respuesta ante Incendios (RPP, 2016).
Analizar la estacionalidad de variables bioclimáticas en el marco del estudio de las condiciones favorables para la ocurrencia de incendios (CFOI).
Las graves consecuencias que a todos los niveles (ecológico, económico, social y humano) pueden derivarse de un incendio forestal son razones suficientes para dedicar una atención especial a este fenómeno. El hombre ha desarrollado numerosos instrumentos y puesto en práctica diversos procedimientos para combatirlos. Este proyecto de investigación se justifica en la carencia de datos estadísticos relacionados al registro histórico de incendios y su distribución espacial, así como su relación con las condiciones favorables que se encuentran presentes en el momento de la aparición del incendio, aspecto que debe ser la base para el entendimiento de este fenómeno y de la generación de las políticas de Estado para atenderlo, desde una óptica de prevención y reducción del riesgo.
Estimación de la densidad para un punto \(x\) :
\[{\displaystyle {\widehat {f}}_{h}(x)={\frac {1}{n}}\sum _{i=1}^{n}K_{h}(x-x_{i})={\frac {1}{nh}}\sum _{i=1}^{n}K{\Big (}{\frac {x-x_{i}}{h}}{\Big )}}\] Donde
Nuestra metodología se resume en cuatro principales etapas, tal y como se describe en la siguiente figura:
library(dplyr)
library(ggplot2)
library(tidyverse)
library(sf)
library(rgee)
library(mapedit)
library(raster)
library(cptcity)
library(leaflet)
library(leaflet.extras)
library(MASS)
library(dplyr)
library(tidyverse)
library(rgee)
Figura 1. Metodología del Trabajo. Reading layer `registro_incendios_2000_2018' from data source
Figura 1. Metodología del Trabajo. `/home/contreras/Desktop/AnalisOcurrenIncendiosR/Materiales/registro_incendios_2000_2018.gpkg'
Figura 1. Metodología del Trabajo. using driver `GPKG'
Figura 1. Metodología del Trabajo. Simple feature collection with 3784 features and 27 fields
Figura 1. Metodología del Trabajo. Geometry type: POINT
Figura 1. Metodología del Trabajo. Dimension: XY
Figura 1. Metodología del Trabajo. Bounding box: xmin: -80.86661 ymin: -16.789 xmax: -68.92597 ymax: -3.758855
Figura 1. Metodología del Trabajo. Geodetic CRS: WGS 84
Se tratade suvizar una serie tanto en el eje x e y. Seria raro que pase un incendio en un lugar y no haya la probabilidad que ocurra a sus alrededores cercanos, mientras que a unos cuantos metros paso uno grande.
En realidad existe funciones de densidad parámetricas, donde la función depende de la varianza o media muestral, por ejemplo, la función de probabilidad normal.
Se estima la función de densidad de probabilidad para calcular en porcentaje la posibilidad de ocurrencia de incendios para cada pixel, clusterizando las regiones con mayor probabilidad por sobre un umbral definido, además se muestra la región a partir de la cual se basará nuestros graficos de análisis posteriores.
Basicamente, esta función del paquete MASS, la función kernel varía por ubicación (asignandole peso), ese es el porqué de su argumento de coordenadas.
FALSE Reading layer `registro_incendios_2000_2018' from data source
FALSE `/home/contreras/Desktop/AnalisOcurrenIncendiosR/Materiales/registro_incendios_2000_2018.gpkg'
FALSE using driver `GPKG'
FALSE Simple feature collection with 3784 features and 27 fields
FALSE Geometry type: POINT
FALSE Dimension: XY
FALSE Bounding box: xmin: -80.86661 ymin: -16.789 xmax: -68.92597 ymax: -3.758855
FALSE Geodetic CRS: WGS 84
FALSE Reading layer `Peru' from data source
FALSE `/home/contreras/Desktop/AnalisOcurrenIncendiosR/Materiales/Peru.gpkg'
FALSE using driver `GPKG'
FALSE Simple feature collection with 1 feature and 1 field
FALSE Geometry type: MULTIPOLYGON
FALSE Dimension: XY
FALSE Bounding box: xmin: -81.35515 ymin: -18.34855 xmax: -68.6739 ymax: -0.036875
FALSE Geodetic CRS: WGS 84
FALSE Reading layer `Departamentos' from data source
FALSE `/home/contreras/Desktop/AnalisOcurrenIncendiosR/Materiales/Departamentos.gpkg'
FALSE using driver `GPKG'
FALSE Simple feature collection with 25 features and 4 fields
FALSE Geometry type: MULTIPOLYGON
FALSE Dimension: XY
FALSE Bounding box: xmin: -81.32823 ymin: -18.35093 xmax: -68.65228 ymax: -0.03860597
FALSE Geodetic CRS: WGS 84